/ Модель

Характеристики

Контекст
8 192 токена
Параметры
307 млн
Лицензия
MIT
Архитектура
modernbert · dense
Базовая модель
mmBERT-base
Библиотека
transformers
Опубликована
31 мая 2026

mmbert-multilingual-impresso-continued-mlm

Заполнение пропусковТекст → текст3 профессии

Многоязычная ModernBERT-модель, адаптированная на газетных текстах Impresso для заполнения масок и последующего дообучения на задачи разметки медиатекстов.

62скачиваний за 30 дней1лайквеса обновлены31 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это дообученная версия многоязычной модели jhu-clsp/mmBERT-base, созданная проектом Impresso. Модель продолжила обучение на газетных текстах Impresso с помощью masked language modeling (MLM) и предназначена как предметно-адаптированная базовая модель для последующего обучения задачам разметки токенов в медиатекстах.

Модель использует архитектуру ModernBERT, содержит 306,9 млн параметров и принимает последовательности длиной до 8192 токенов. В метаданных указаны французский, немецкий и английский языки. Основной сценарий применения — заполнение масок; также чекпойнт подходит для сравнительных экспериментов и дообучения на извлечение и классификацию сущностей или других типов токенов в газетных материалах. Веса опубликованы в формате safetensors, библиотека для работы — Transformers.

В README сообщается, что обучение завершилось без расхождения, а валидационная потеря была близка к обучающей; приведены значения train loss 1,7775 и eval loss 1,7172. Это не гарантирует качество в конкретной downstream-задаче: модель требует оценки и дообучения под целевую разметку. Лицензия — MIT.

Сценарии применения

  • Заполнение пропущенных слов во французских газетных текстах
  • Заполнение масок в немецких и английских газетных текстах
  • Дообучение для классификации токенов в газетных материалах
  • Адаптация для извлечения сущностей из новостных и архивных статей
  • Сравнение предметно-адаптированной модели с исходной mmBERT-base

Ограничения

Чекпойнт предназначен как основа для downstream-дообучения, поэтому качество разметки токенов для конкретной задачи нужно проверять отдельно. README приводит метрики языкового моделирования, но не результаты оценки на задачах классификации токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

multilingualmodernimpressoBERT

Source card for the future Hugging Face model repository:

impresso-project/mmbert-multilingual-impresso-continued-mlm

This model is a continued-MLM adaptation of jhu-clsp/mmBERT-base on multilingual Impresso newspaper text.

The checkpoint is intended as a domain-adapted base model for downstream media-agency token classification.

License

This continued-pretraining checkpoint is released under the MIT license, matching the license of the base model jhu-clsp/mmBERT-base.

The model is derived from jhu-clsp/mmBERT-base; users should cite and comply with the base model terms. The continued-MLM training corpus consists of Impresso newspaper text samples used for domain adaptation. The model weights are published separately from the source text; users remain responsible for checking whether their downstream use of Impresso-derived models and outputs is compatible with their institutional, corpus, and application-specific requirements.

Continued MLM Run

The first completed workbench run used:

  • source compiled Impresso files: fr, de, en, lb
  • source filtering: OCR quality at least 0.90, minimum text length 200 characters
  • source sampling policy: up to 300,000 texts per language, with smaller languages exhausted
  • sampled corpus: 872,889 train rows and 8,818 validation rows after split
  • training subset: 100,000 train rows
  • validation subset: 2,000 validation rows
  • base model: jhu-clsp/mmBERT-base
  • objective: masked language modeling
  • MLM probability: 0.15
  • max sequence length: 256
  • padding: fixed max-length padding
  • epochs: 1
  • per-device train batch size: 1
  • gradient accumulation steps: 8
  • effective train batch size per device: 8
  • gradient checkpointing: enabled
  • learning rate: 2e-5
  • weight decay: 0.01
  • warmup: 750 steps, computed as 6 percent of the capped optimizer steps
  • intermediate checkpoint saving: disabled; final model only
  • random seed: 42

Training was run locally on Apple Silicon using the PyTorch MPS backend. The completed run took about 8 hours and 6 minutes. Observed memory use stayed below roughly 30 GB.

Metrics

Final run metrics:

metricvalue
train loss1.7775
eval loss1.7172
train runtime29,134 seconds
train samples / second3.432
train steps / second0.429
eval samples / second14.885

The validation loss stayed close to the train loss and the run completed without divergence, so this checkpoint is suitable for downstream comparison against the original jhu-clsp/mmBERT-base.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForMaskedLM
Ревизия весов
5cc9bb6

0 моделей